Université Lyon 1
Arqus
Accueil  >>  Modèles statistiques et fréquentiels pour l'image
  • Unité d'enseignement : Modèles statistiques et fréquentiels pour l'image
Nombre de crédits de l'UE : 3
Code APOGEE : INF2322M
    Responsabilité de l'UE :
DUPONT FLORENT
 florent.dupontuniv-lyon1.fr
04.72.43.15.83
 julie.digneliris.cnrs.fr
    Type d'enseignement
Nb heures *
Cours Magistraux (CM)
20 h
Travaux Pratiques (TP)
10 h

* Ces horaires sont donnés à titre indicatif.

    Pré-requis :
notions d'optimisation, d'analyse (dérivation, intégration), d'algèbre linéaire (matrices, décompositions en valeurs propres, vecteurs propres), probabilités, graphes.
    Compétences attestées (transversales, spécifiques) :
  • Maîtrise des transformations dans un espace fréquentiel des images (représentation, interprétation, traitement)
  • Résolution de problèmes par des méthodes statistiques ou probabilistes.
    Programme de l'UE / Thématiques abordées :
Partie fréquentielle
  • Signaux élémentaires : Dirac, échelon, fonction porte. 
  • Notion de système (linéaire, invariant...),  réponse impulsionnelle, indicielle, fonction de transfert
  • Transformation de Fourier et ses propriétés
  • Échantillonnage 
  • Filtrage linéaire, produit de convolution
  • Analyse multi résolution
  • Décomposition en ondelettes, algorithme FWT, Haar, Daubechies...
  • Transformées de base utilisées en compression d'image (JPEG, JPEG2000)
  • TP : effectués sous Matlab ou Octave pour illustrer les notions vues en cours et appréhender les transformations spectrales appliquées aux images. Illustration avec la compression d'images.
Partie statistique (contenu appelé à évoluer en fonction de ce qui sera fait en Machine Learning en L3 et M1)
  • Champs de Markov: Synthèse de textures, Segmentation d’images par graph cuts
  • Normes et Problèmes de Regression, RANSAC, IRLS
  • Classification par K-moyennes, Expectation-Maximization, Maximisation de la variance
  • Traitement d’images par patch: patchmatch, résumé visuel, non local means, méthodes parcimonieuses
  • Introduction au half-toning
  • TPs: 3 TPs à rendre sous matlab ou octave mais peut évoluer vers python (rapide sondage fait auprès des étudiants non concluant sur python vs matlab)
    Parcours / Spécialité / Filière / Option utilisant cette UE :
Date de la dernière mise-à-jour : 14/05/2019
SELECT MEN_ID, `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`, `PAR_ID` FROM parcours INNER JOIN ue_parcours ON PAR_ID_FK=PAR_ID INNER JOIN mention ON MEN_ID = PAR_MENTION_FK WHERE PAR_ACTIVATE = 0 AND UE_ID_FK='16735' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`